高阶累积量四阶矩_高阶累积量.ppt

高阶累积量

内 容 经典谱估计与现代谱估计 参数模型法概述 基于AR模型的谱估计法 最大熵谱估计算法 最小方差谱估计 基于矩阵特征分解的谱估计 高阶谱估计 内 容 随机信号的特征 经典谱估计与现代谱估计 参数模型法概述 基于AR模型的谱估计法 最大熵谱估计算法 最小方差谱估计 基于矩阵特征分解的谱估计 高阶谱估计 高阶谱估计 研究的必要性 高阶统计量 高阶谱 高阶累积量和多谱的性质 三阶相关和双谱及其性质 基于高阶谱的相位谱估计 基于高阶谱的模型参数估计 多谱的应用 参考:《现代数字信号处理》(184-199；204-205) 研究高阶谱的必要性 关于模型参数估计问题 所谓模型参数估计，就是根据有限长的数据序列(如模型输出端所观测到的信号y(n)来估计图中随机信号模型的参数，) 与前面所述不同之处在于：这里考虑了观测过程所引入的噪声v(n). 研究高阶谱的必要性 基于二阶统计量的模型参数估计方法的缺陷 研究高阶谱的必要性 二阶统计量方法的基本限制 前面讨论的方法中，一般都假设： 研究高阶谱的必要性 二阶统计量方法存在的问题 研究高阶谱的必要性 解决问题的方法 高阶统计量 特征函数与高阶矩 高阶统计量 累积量生成函数与高阶累积量(cumulant) 高阶统计量 累积量生成函数与高阶累积量(cumulant) 高阶统计量 累积量的物理意义 高阶统计量 累积量的物理意义 高阶累积量和多谱的性质 主要性质 (8个性质) 最重要的性质如下: 高阶累积量和多谱的性质 主要性质(续) 高阶累积量和多谱的性质 用高阶累积量作为时间序列分析工具的原因 用高阶累量而不是高阶矩作为时间序列分析工具的原因： 三阶相关与双谱及其性质 三阶相关与双谱及其性质 基于高阶谱的相位谱估计 自相关函数丢失了信号的相位特性，而累积量可以得到信号的相位谱。 实际应用中，基于三阶累积量的双谱和基于四阶累积量的三谱已经够用。 基于高阶谱的模型参数估计 基本原理 基于高阶谱的模型参数估计 基本原理 (续) 基于高阶谱的模型参数估计 不稳定问题及其解决方法 多谱的应用 多谱应用: 用于信息学、海洋学、地球物理学、生物医学、机械学和经济时间序列分析等学科领域 对信号处理而言，多谱可应用于自适应信号处理、阵列信号处理和多维信号处理 信号处理中多谱的作用 从正态信号中提取信息 检测和定性分析系统的非线性特征 从有色正态噪声中提取信号(如水下信号、空间信号等) 提取非正态信号的相位信息 * * ∑ H ( z ) ( h ( n ) ) v(n) y(n) x(n) u(n) 前述模型参数估计方法中，估计得到的模型参数仅与 信号的自相关函数或功率谱包络相匹配；其功率谱不 含信号的相位特性，亦称盲相。即 这种模型只适合于高斯随机信号，因为高斯信号仅用 二阶统计量(均值和方差)就能加以描述。 信号模型中的系统H(z)是最小相位的。 激励信号u(n)是均值为零，方差为 的高斯白噪声。 测量信号v(n)是均值为零，方差为 的高斯白噪声； 且v(n)与信号x(n)统计无关，即v(n)不影响信号的谱形状 故有 在许多实际应用(如地震勘探、水声信号处理、远程通 信)中，往往不能满足上述假设；甚至系统是非线性的。 对于非高斯信号的模型参数，如仅仅考虑与自相关函数 匹配，就不可能充分获取隐含在数据中的信息。 若信号不仅是非高斯的，而且是非最小相位的，采用基 于自相关函数的估计方法所得到的模型参数，就不能反 映原信号的非最小相位特点。 当测量噪声较大，尤其当测量噪声有色时，基于自相关 函数的估计方法所得到的模型参数有较大的估计误差。 从观测数据中提取相位信息 信号分析必须具有抗有色噪声干扰的能力 因此，必须用高阶谱(高阶统计量)来分析信号 随机信号的高阶特征 功率谱估计，Wiener滤波器都是以信号的相关函数为工具。 模型的多重性：考虑功率谱 即不同ARMA过程具有相同形状的功率谱。这一特性 称为相关函数的多重性或模型的多重性。 相关函数的局限性 随机信号的高阶特征(续) 两个具有零均值和相同方差的高斯白色噪声和 指数分布白色噪声显然是不同的随机过程，但它 们的功率谱相同。 用这样两个白色噪声激励同一个ARMA模型，产生的 两个ARMA过程显然是不同的随机过程，但它们的功 率谱相同。 两个灰度图相同的图像有可能是不同的